AI 消灭学徒工大厂校招暴跌真相

Forbes 数据显示，Big Tech 新员工中应届生的占比已从疫情前的 50% 以上骤降至如今的 7%。这一断崖式的下跌引发了广泛讨论：这究竟是 AI 技术替代初级岗位的直接结果，还是经济周期叠加行业过饱和后的必然调整？现实情况是，资深开发者借助 AI 工具实现了效率的成倍提升，而许多应届毕业生却连获得第一份工作的“入场券”都变得异常艰难。

一位资深开发者的感慨道出了许多人的心声：他庆幸自己是在 AI 浪潮之前入行的。他坦言，在当下的环境中，新人想获得他这些年积累的实战经验和系统知识，已经变得无比困难，更别提还能“拿着工资学习”了。这句话的残酷之处并不在于 AI 会取代程序员，而在于 AI 正在系统性消灭“学徒工”这个岗位本身。传统的“传帮带”模式，即资深员工通过分配具体任务、解答疑问来培养新人的路径，正在被高效但封闭的 AI 协作模式所侵蚀。

这种效率的提升是惊人的。一位拥有近 30 年经验的工程师将自己定位为“context lake”，即上下文湖泊。他负责搭建清晰的技术架构和提供精准的业务背景，随后 AI agent 便能在其设定的框架内自动运行数小时，最终交付的功能，其复杂程度甚至是以往人类团队会因为“工作量太大、性价比低”而拒绝承接的。过去需要一周才能完成的功能特性，如今仅需几天，实现五倍的效率提升并非夸张。然而，一个根本性问题随之浮现：当初级工程师失去处理这些基础而繁琐任务的机会时，未来谁来成长为下一个拥有 30 年经验的“湖泊”？

一位 Principal 级别的工程师的对比更为直接。他指出，自己只需花十秒钟向 AI 描述需求，三十秒内就能获得可用的代码结果。如果将同样的任务交给一位 Junior 工程师，他则需要花费大量时间解释技术背景、设计原理和实现方法，随后 Junior 工程师还会带着一连串问题，耗费一整天才能完成。他将此比喻为“发送电子邮件”与“手写邮寄信件”的效率之差。当业务追求极致效率时，成本高昂且周期漫长的“人力培养”环节，自然成为被压缩的对象。

当然，也有观点认为，将此现象完全归咎于 AI 有失偏颇。这本质上是一个典型的经济周期现象：疫情期间，科技巨头基于对增长的乐观预期进行了疯狂扩招，如今则进入裁员与消化人力资源泡沫的阶段。以 Salesforce 和 Microsoft 为例，其员工数量虽较 2023 年的峰值有所减少，但仍远高于 2020 年的水平，同时公司的营收与利润却创下新高。此外，成本更低的业务外包模式一直存在，为何如今被应用得更加彻底？这背后是企业在增长放缓期对成本结构进行系统性优化的压力。

另一个常被忽视的事实是，即便经历了多轮大规模裁员，Amazon 的员工总数仍接近 2019 年的两倍，Google 的员工规模也比疫情前增长了超过 50%。这充分说明科技行业并未“崩溃”，它只是告别了 2021 年前后那种不计成本、囤积人才的激进扩张模式，转向了更注重人效比和财务健康的精细化运营阶段。

那么，AI 工具本身究竟效用如何？答案高度依赖于使用者。一位开发者分享了他的经历：他使用 GLM-4 Flash 模型来修复一个生产环境的 Bug，生成的代码看起来漂亮且逻辑正确。然而，部署几天后，他们发现该修复逻辑从根本上就是错误的，导致团队浪费了半周时间在一个原本可以手动在半天内解决的问题上。他的结论发人深省：大语言模型就像一种“技术毒品”，入门使用非常容易，能快速带来成就感，但若使用者自身缺乏扎实的技术功底和判断力，很容易被其误导而失控，最终反而降低效率。

来自 Z 世代的声音则折射出新一代从业者的迷茫与自嘲。他们面临的是“3 到 5 年工作经验被视作入门门槛”，需要具备高度专业化的技能才能参与竞争，同时头顶还永远悬着“被 AI 替代”的达摩克利斯之剑。有人戏谑道：“我爱这个既不招人也不敢轻易裁人的经济环境。我们生得太晚，没赶上互联网拓荒的大航海时代；又生得太早，等不到星际殖民的太空时代。正好卡在中间，赶上了一个需要极致内卷的时代。”

这引出了一个无人能答的尖锐问题：那些正在攻读计算机科学本科的学生，毕业后的出路究竟在哪里？当前的困境形成了一个精妙的死循环：AI 极大地提升了资深工程师的效率，却同时将新手困在了一个“无法获得初始经验”的逻辑陷阱里。那位自称“上下文湖泊”的工程师，其角色固然重要且高效，但湖泊本身不会自我补充水源。当 Junior 工程师连“带着问题摸索一整天”的成长机会都被剥夺时，整个行业的人才梯队将如何延续？这像极了一个只知榨取、不顾土壤再生的农业系统。这场由 AI 驱动的效率革命，其最大的 Bug 或许在于，它正在无意识地吞噬掉自己未来赖以发展的“种子”，并将这一过程美其名曰为“优化”。

原文链接： 从50%到7%：大厂校招断崖式下跌背后的真实原因